eaiadmin
f18f9f2fd3
Align the repository with the new collaboration workflow by separating meeting records from project framework materials, so discussion outputs and formal research assets can evolve independently.
2.9 KiB
2.9 KiB
研究定位与项目边界
1. 研究定位
本框架的研究定位是：
面向人工智能能力进入实时控制系统后的整体系统问题，研究基础系统如何维持确定性、可预测性与实时边界。
这里的“基础系统”不是单一软件层，而是由以下部分共同构成：
- 模型与任务语义；
- 推理运行时与负载编排；
- RTOS 与 Linux 的角色分工；
- Hypervisor 与资源隔离；
- 芯片、总线、内存、NPU、GPU、DMA 等硬件资源结构；
- 规则兜底、安全约束与异常切换机制。
2. 研究对象
本框架的研究对象是：
面向 AI 的实时控制基础系统。
其中：
SylixOS仍然可以作为关键实验样例与基础软件样本；QNX、VxWorks、INTEGRITY、LynxOS-178等可继续作为参照平台；Linux与PREEMPT_RT Linux继续作为重要对照对象；T5~T1继续作为验证矩阵，而不是研究主语。
3. 本框架不把什么当作研究主语
3.1 不把硬件谱系当作研究主语
T5~T1 五类部署形态和各类算力基础承担的是验证矩阵角色，用于组织证据、比较边界和解释场景差异。
3.2 不把单一 RTOS 当作全部因果承担者
RTOS 在本框架中承担关键作用，但不再被写成全部实时问题的唯一解决者。模型、运行时、芯片与资源结构同样影响系统边界。
3.3 不把纯吞吐优化当作核心目标
本框架关注的是人工智能目标负载、关键保障负载与系统协同三层指标同时成立的条件，而不是单一的吞吐最大化。
4. 研究边界
4.1 重点覆盖的系统类型
- 控制端 MCU / 控制盒；
- 设备端 SoC；
- 边缘节点；
- 面向任务关键场景的单机高密和集群协同平台。
4.2 重点覆盖的问题
- 关键保障负载与人工智能目标负载共存时的整体实时性；
- Linux / RTOS / Hypervisor 的混合协同结构；
- 统一内存、总线和异构协处理器竞争治理；
- 小型化、低功耗和受限部署条件下的系统边界；
- 模型推理与规则兜底共同构成的执行闭环。
4.3 暂不作为主线的问题
- 通用大模型训练集群的纯吞吐优化；
- 面向互联网高并发服务的开放式推理平台；
- 单纯以算法精度提升为主的模型研究；
- 不涉及实时控制闭环的普通桌面 AI 应用。
5. 与项目框架1的关系
项目框架1把“大型跨平台 RTOS”作为研究主语，重点讨论 RTOS 在五类部署形态中的机制优势。
项目框架2则把研究主语上移到“面向 AI 的实时控制基础系统”，重点讨论：
- RTOS 在整个系统中的位置；
- Linux、RTOS 与 Hypervisor 如何协同；
- 模型推理、资源竞争与控制任务如何共同构成实时边界；
- 企业与平台如何从 RTOS 供应方转向基础系统供应方。
这两套框架可以并行维护，分别服务于不同层次的课题收敛。